Esta es una charla divulgativa para no especialistas en tecnología sobre cómo pueden emplear la personalización automática, el big data, y las recomendaciones para el problema del turismo digital
2. CV
Ingeniería Informática (UPV)
MSc. Inteligencia Artificial (UPV)
Dr. en Informática (Inteligencia Artificial, UPV)
Data Scientist en Atrapalo.com (2013-2015)
Lecturer en Coventry University (2015-Actual)
2
4. UN PRODUCTO PARA TODOS
4
╺ Asumimos los mismos gustos sobre productos
para todos
╺ No requiere información del usuario
╺ El coste de implementación es mínimo
╺ Funciona en muchos casos, pero no en todos
╺ Como clientes estamos ocupados, tenemos poca
paciencia, y tendemos a centrarnos en los
primeros resultados/productos
5. PERSONALIZACIÓN
5
╺ Cada cliente es diferente y tiene unas
necesidades
╺ Escuchar las necesidades del cliente
╺ Proponer el producto que más se ajusta a las
necesidades del cliente
╺ Requerimos de información del cliente
6. PERSONALIZACIÓN
6
╺ Mejor adaptación a las necesidades
╺ Más conversión
╺ Sentirse especial y valorado
╺ Fidelización
╺ Confianza
╺ Necesitamos información del cliente
╺ Laborioso
╺ Doble filo si no es acertada
7. COMERCIO ELECTRÓNICO
7
- Podemos monitorizar casi todo en nuestra tienda
- Navegación del cliente
- Compras del cliente
- Tiempo en cada producto
- Datos demográficos
- Algunos datos en redes sociales
8. LA EXPLOSIÓN DE DATOS
8
3.891.458.899 usuarios
68.761.303.014 tweets en lo que llevamos de año
55.580 GB/s
570.404.456.379 búsquedas en lo que llevamos de año
631,036,041,523 de visualizaciones en lo que llevamos de año
Source: Internet Live Stats
10. 10
BIG DATA
╺ Conjunto de tecnologías orientadas al
almacenamiento,procesamiento,y análisis
y extracción de conocimientode volúmenes
masivos de datos
╶ Almacenamiento: Bases de datos
NoSQL
╶ Procesado: Hadoop, Spark, Pig, Flink,
etc.
╶ Conocimiento: Minería de datos,
Machine learning, inteligencia
artificial
11. 11
ALGORITMOS RECOMENDACIÓN
╺ Algoritmos que buscan predecir lo mucho o poco que un producto le gustará a un cliente
en base a sus gustos, historial, actividad en el sitio web, y otra información de contexto.
Algoritmo
recomendación
12. 12
ALGORITMOS RECOMENDACIÓN
╺ Algoritmos que buscan predecir lo mucho o poco que un producto le gustará a un cliente
en base a sus gustos, historial, actividad en el sitio web, y otra información de contexto.
Algoritmo
recomendación
13. 13
ALGORITMOS RECOMENDACIÓN
╺ Algoritmos que buscan predecir lo mucho o poco que un producto le gustará a un cliente
en base a sus gustos, historial, actividad en el sitio web, y otra información de contexto.
Algoritmo
recomendación
16. 16
TIPOS PRODUCTOS
VACACIONALES
- Menor frecuencia
- Coste mayor
- Temporadas altas/bajas*
- No se suele repetir
- Los clientes suelen buscar destinos en vez
22. 22
RECOMENDADOR DEMOGRÁFICO
¿CÓMO?
- Reglas establecidas por expertos del
negocio
- Segmentar usuarios y recomendar los
más populares para cada segmento
- Algoritmo aprendido automáticamente
con machine learning y datos de
valoraciones de otros usuarios en el sistema
CONSIDERACIONES
- Requiere poca información del cliente
para hacer recomendaciones
- Procesamiento ínfimo
- Podemos incorporar conocimiento de
expertos en el dominio
- Podemos requerir información de otros
clientes*
- En el producto vacacional, la localidad
del usuario es importante
- No suele ser muy personalizado…
25. 25
RECOMENDADOR RECORDATORIO
¿CÓMO?
- Almacenar la navegación del usuario y
recomendar producto de nuevo en x días,
siempre que éste no haya sido comprado
CONSIDERACIONES
- Se requieren al menos algunas visitas del
usuario
- Procesamiento ínfimo
- Retomar proceso de toma de decisión
- Mostrado por canal email
- Productos vacacionales
- Muy útil si cambio de precio
- Personalización, aunque no se descubre
nada nuevo al cliente
29. 29
ASOCIACIÓN DE PRODUCTO
¿CÓMO?
- Detectar pares de producto que co-
ocurren con frecuencia en el historial de
compras/visualizaciones de los usuarios
- A nivel de un solo carrito/sesión
- A nivel de todas las
compras/sesiones
- Algoritmo Apriori
CONSIDERACIONES
- Se requieren al menos una visita o
compra del usuario
- Se requiere de visitas o compras de otros
usuarios
- Procesamiento pesado una única vez
- Mostrado por canal email
- Tipos de productos que pueden co-
ocurrir (e.g., turismo urbano)
- Personalización mínima
30. 30
RUTA PERSONALIZACIÓN
AUTOMÁTICA
Primera
interacción
One size
fits all
Algún dato
demográfico
Recomendador
demográfico
Recomendación
recordatorio
Una
visualización
de producto
Asociación de
producto
Una
compra de
producto
Recomendador
contenido
Múltiples
compras de
producto y
visualizaciones
33. 33
RECOMENDADOR CONTENIDO
¿CÓMO?
- Dos productos que son similares deberían
tener valoraciones similares por el mismo
usuario
- La clave es poder calcular similaridad
entre productos
- Vectores de números: Euclidea,
coseno, correlación de Pearson
- Texto: Procesamiento del lenguaje
natural
CONSIDERACIONES
- Se requiere un historial de
compras/visualizaciones del usuario y su
valoración de los productos (>10)
- Procesamiento pesado una única vez
- Útil para vacacional (e.g., destinos,
hoteles) aunque también se puede aplicar
a otros
- Personalización en base a preferencias del
cliente
34. 34
RUTA PERSONALIZACIÓN
AUTOMÁTICA
Primera
interacción
One size
fits all
Algún dato
demográfico
Recomendador
demográfico
Recomendación
recordatorio
Una
visualización
de producto
Asociación de
producto
Una
compra de
producto
Recomendador
contenido
Múltiples
compras de
producto y
visualizaciones
Filtrado
colaborativo
Múltiples
compras de
producto y
visualizaciones
37. 37
FILTRADO COLABORATIVO
¿CÓMO?
- Para recomendar me voy a fijar en las
preferencias del usuario y en lo que han
hecho otros en el sistema
- Tipos:
- Basado en usuario: Usuarios que han
valorado los mismos productos de forma
similar en el pasado deberían de valorar
otros productos de forma similar
- Basado en producto: Pares de productos
que reciben valoraciones similares de los
usuarios, deberían recibir valoraciones
similares en el futuro
CONSIDERACIONES
- Se requiere un historial de
compras/visualizaciones del usuario y de
otros usuarios en el sistema
- Procesamiento pesado una única vez
- Útil para dominios donde los usuarios es
fácil que coincidan al valorar productos
(e.g., destinos, urbano)
- Personalización en base a preferencias del
cliente
38. 38
RUTA PERSONALIZACIÓN
AUTOMÁTICA
Primera
interacción
One size
fits all
Algún dato
demográfico
Recomendador
demográfico
Recomendación
recordatorio
Una
visualización
de producto
Asociación de
producto
Una
compra de
producto
Recomendador
contenido
Múltiples
compras de
producto y
visualizaciones
Filtrado
colaborativo
Múltiples
compras de
producto y
visualizaciones
Híbrido
Múltiples
compras de
producto y
visualizaciones
39. 39
GUÍA PARA ESCOGER ALGORITMOS
Personalización Datos usuario Datos otros Cómputo Vacacional Urbano
One size fits
all
Nula No Sí Nulo Sí Sí
Demográfico Mínima Características Sí Mínimo Sí Sí
Recordatorio Mínima Un ítem visto No Mínimo Sí Puede
Asociación Mínima Un ítem
comprado o
visto
Sí Pesado una vez Solo destinos Sí
Contenido Sí Muchos ítems
vistos y/o
comprados
No Pesado una vez Sí Sí
Colaborativo Sí Muchos ítems
vistos y/o
comprados
Sí Pesado una vez Solo destinos Sí
41. 41
EL CONTEXTO
- El contexto es importante ya que determina lo que quiere el usuario en ese momento
- Contextos usuales:
- Navegación
- Lo que acaba de comprar
- Contextos propios del turismo:
- Estacionalidad
- Sinergias entre productos vacacionales
- El tiempo
42. 42
CONFIANZA
RECOMENDACIONES
- Los recomendadores suelen producir
una lista de productos a recomendar
por usuario
- Normalmente únicamente las
primeras recomendaciones son
relevantes
- Hay que decidir bien cuando
mostrar las recomendaciones à
Planificar de acuerdo al contexto
43. 43
DATOS FUERA DE TU ORGANIZACIÓN
- Gratis:
- WikiVoyage
- Imágenes
- Openflights
- Yelp Dataset
- TourPedia
- Pago:
- TripAdvisor
- Amadeus